(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111632688.1 (22)申请日 2021.12.28 (71)申请人 合肥飞扬机电有限公司 地址 230001 安徽省合肥市蜀山区小庙镇 工业区香怡路20号 申请人 上海铁路机车 车辆发展 有限公司 (72)发明人 芈赞　徐永健　刘宜祥　卫星　 张利　邵文海　蔡永斌　赵冲　 朱玉虎　姚志国　孙立方　 (74)专利代理 机构 合肥市浩智运专利代理事务 所(普通合伙) 34124 代理人 闫客 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 3/12(2006.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/40(2022.01) G06V 10/26(2022.01) G06V 10/82(2022.01) (54)发明名称 道岔分类模 型训练方法、 系统及道岔分类方 法 (57)摘要 本发明公开了一种道岔分类模 型训练方法、 系统及道岔分类方法， 属于图像识别技术领域， 方法包括： 获取道岔图像； 对每个道岔图像进行 曲线特征提取， 得到特征向量； 利用特征向量， 训 练梯度提升模 型； 采用遗传算法优化梯度提升模 型的正则化系数， 将优化后的梯度提升模型确定 为道岔分类模 型。 本发明通过采用遗传算法优化 梯度提升模 型的正则化系数， 将优化后的梯度提 升模型确定为道岔分类模型， 通过采用遗传算法 优化了道岔分类模型的参数， 使得道岔分类的准 确度更高。 权利要求书2页 说明书10页 附图2页 CN 114330547 A 2022.04.12 CN 114330547 A 1.一种道岔分类模型训练方法， 其特 征在于， 所述方法包括： 获取道岔图像； 对每个所述道岔图像进行曲线特 征提取， 得到特 征向量； 利用所述特 征向量， 训练梯度提升模型； 采用遗传算法优化所述梯度提升模型的正则化系数， 将优化后的所述梯度提升模型确 定为道岔分类模型。 2.如权利要求1所述的道岔分类模型训练方法， 其特 征在于， 所述获取道岔图像， 包括： 获取轨道视频， 并从所述轨道图像中提取视频帧， 得到帧图像； 对所述帧图像进行筛 选， 得到包 含检测对象的所述帧图像； 对包含检测对象的所述帧图像进行 预处理， 得到所述道岔图像。 3.如权利要求1所述的道岔分类模型训练方法， 其特征在于， 所述对每个所述道岔图像 进行曲线特 征提取， 得到特 征向量， 包括： 从每个所述道岔图像中提取道岔的曲线； 确定每个所述曲线的起 点； 根据每个所述曲线的起 点， 构建二叉树； 获取每个所述二叉树预设层数的节点上的数据， 得到与每个所述道岔图像对应的特征 向量。 4.如权利要求3所述的道岔分类模型训练方法， 其特征在于， 所述确定每个所述曲线的 起点， 包括步骤如下： S221、 将所述曲线的两个初始端点连线， 并将所述曲线上与该连线的垂直距离最远的 点作为第一目标点； S222、 判断两个所述初始端点与所述第一目标点的直线距离是否相同， 若是则执行步 骤S223， 若否执 行步骤S2 26； S223、 以所述第一目标点 为界将所述曲线分割， 得到 两段分割曲线； S224、 获取两段所述分割曲线对应的第二目标点， 并判断两个所述初始端点与距离最 近的所述第二目标点的直线距离是否相同， 若是 执行步骤S2 26， 若否执 行步骤S2 25； S225、 继续根据每段 所述分割曲线的第二目标点对其进行分割， 并返回步骤S2 24。 S226、 将直线距离较短的所述初始端点作为所述 起点。 5.如权利要求1所述的道岔分类模型训练方法， 其特征在于， 在所述利用所述处理后的 特征向量， 训练梯度提升模型之前， 还 包括： 将所述特征向量输入预训练好的卷积神经网络模型中进行特征处理， 得到处理后的特 征向量； 相应地， 所述利用所述特 征向量， 训练梯度提升模型， 具体为： 将所述处 理后的特 征向量按照预设的比例划分为训练集和 测试集； 利用所述训练集， 训练所述梯度提升模型； 其中， 所述梯度提升模型的公式表示如下： 权　利　要　求　书 1/2 页 2 CN 114330547 A 2其中， l表示可微 分的凸函数， 表示第i个样本的预测标签值， yi表示第i个样本的实际 标签值， n表示样本的总数， Ω(fk)表示对fk进行正则化处理， fk表示第k个 决策树， K表示决 策树的总数。 6.如权利要求5所述的道岔分类模型训练方法， 其特征在于， 所述采用遗传算法优化所 述梯度提升模型的正则化系数， 将优化后的所述梯度提升模型确定为道岔分类模型， 包括： 采用所述遗传算法优化所述梯度提升模型中的预测标签值和决策树的总数， 得到优化 后的梯度提升模型； 将所述测试集输入所述优化后的梯度提升模型， 得到每个所述处理后的特征向量对应 的道岔分类结果； 当所述测试集对应的所述道岔分类结果符合实际道岔分类结果的概率达到预设的阈 值时， 将所述梯度提升模型确定为所述道岔分类模型。 7.一种道岔分类模型训练系统， 其特 征在于， 所述系统包括： 获取模块， 用于获取道岔图像； 提取模块， 用于对每 个所述道岔图像进行曲线特 征提取， 得到特 征向量； 训练模块， 用于利用所述特 征向量， 训练梯度提升模型； 优化模块， 用于采用遗传算法优化所述梯度提升模型的正则化系数， 将优化后的所述 梯度提升模型确定为道岔分类模型。 8.一种计算机可读的存储介质， 其特征在于， 包括程序， 当其在计算机上运行时， 使得 计算机执 行如权利要求1 ‑6任意一项所述的道岔分类模型训练方法。 9.一种道岔分类方法， 其特征在于， 采用如权利要求1 ‑6中任意一项所述的道岔分类模 型训练方法训练得到的道岔分类模型， 所述方法包括： 实时采集轨道视频， 并处 理得到所述轨道视频对应的道岔图像； 对所述道岔图像进行曲线特 征提取， 得到特 征向量； 将所述特 征向量输入所述道岔分类模型， 得到所述轨道视频对应的道岔分类结果。 10.如权利要求9所述的道岔分类方法， 其特征在于， 在所述对所述道岔图像进行曲线 特征提取， 得到特 征向量之后， 还 包括： 将所述特征向量输入预训练好的卷积神经网络模型中进行特征处理， 得到处理后的特 征向量； 相应地， 所述将所述特征向量输入所述道岔分类模型， 得到所述轨道视频对应的道岔 分类结果， 具体为： 将所述处理后的特征向量输入所述道岔分类模型， 得到所述轨道视频对应的道岔分类 结果。权　利　要　求　书 2/2 页 3 CN 114330547 A 3